CN112485784A - 内轮差区域内目标的危险系数确定方法、装置、电子设备及存储介质 - Google Patents

内轮差区域内目标的危险系数确定方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112485784A
CN112485784A CN202011213164.4A CN202011213164A CN112485784A CN 112485784 A CN112485784 A CN 112485784A CN 202011213164 A CN202011213164 A CN 202011213164A CN 112485784 A CN112485784 A CN 112485784A
Authority
CN
China
Prior art keywords
target
vehicle
determining
data
inner wheel
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011213164.4A
Other languages
English (en)
Inventor
张剑锋
林潇
宇文志强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Geely Holding Group Co Ltd
Ningbo Geely Automobile Research and Development Co Ltd
Original Assignee
Zhejiang Geely Holding Group Co Ltd
Ningbo Geely Automobile Research and Development Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Geely Holding Group Co Ltd, Ningbo Geely Automobile Research and Development Co Ltd filed Critical Zhejiang Geely Holding Group Co Ltd
Priority to CN202011213164.4A priority Critical patent/CN112485784A/zh
Publication of CN112485784A publication Critical patent/CN112485784A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • G01S13/867—Combination of radar systems with cameras
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Electromagnetism (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请实施例所公开的一种内轮差区域内目标的危险系数确定方法、装置、电子设备及存储介质，其中，方法包括获取待处理数据集合，该待处理数据集合包括车辆的参数信息、目标的位置数据、目标的运动数据、目标的类别信息和车路数据，根据车辆的参数信息和车路数据确定内轮差区域，基于目标的位置数据和内轮差区域确定目标与内轮差区域的距离，若距离小于距离预设阈值，根据目标的运动数据和车路数据确定预设碰撞时间，根据车辆的参数信息、目标的运动数据、目标的类别信息、车路数据和预设碰撞时间确定危险系数。基于本申请实施例，可以降低感知误报漏报率，提高目标确定准确率，使得警报更加准确。

Description

内轮差区域内目标的危险系数确定方法、装置、电子设备及存 储介质
技术领域
本发明涉及目标识别技术领域，尤其涉及一种内轮差区域内目标的危险系数确定方法、装置、电子设备及存储介质。
背景技术
在大型运输车辆的转向过程中，由于驾驶员只能看到车辆转向内侧较小范围内的实时路况，无法看到车头近处和车身远端的路况，存在严重的视线盲区，并且由于大型车辆本身具有的内轮差属性，尤其是半挂货车，常常导致大量的安全事故。
针对上述问题，现已有部分车辆采用单传感器来感知目标，例如，采用激光雷达传感器、超声波雷达或者毫米波雷达，然而，使用这类单传感器均存在一定弊端，激光雷达成本高，容易增加车载制造成本，超声波雷达和毫米波雷达存在误报、漏报目标的情况，预警精度不足，且不能正确分类目标，并根据目标种类的不同给出不同级别的预警。
发明内容
本申请实施例提供一种内轮差区域内目标的危险系数确定方法、装置、电子设备及存储介质，可以降低感知误报漏报率，提高目标确定准确率，使得警报更加准确。
本申请实施例提供一种内轮差区域内目标的危险系数确定方法，该方法包括：
获取待处理数据集合；待处理数据集合包括车辆的参数信息、目标的位置数据、目标的运动数据、目标的类别信息和车路数据；
根据车辆的参数信息和车路数据确定内轮差区域；
基于目标的位置数据和内轮差区域确定目标与内轮差区域的距离；
若距离小于距离预设阈值，根据目标的运动数据和车路数据确定预设碰撞时间；
根据车辆的参数信息、目标的运动数据、目标的类别信息、车路数据和预设碰撞时间确定危险系数。
进一步地，车辆的参数信息包括车辆轴距、前轮距和后轮距；
目标的运动数据包括目标相对于车辆的相对方向角、目标的运动方向角和目标的相对运动速度；
车路数据集合包括道路半径和车路中心夹角。
进一步地，根据车辆的参数信息和车路数据确定内轮差区域，包括：
根据道路半径、车辆轴距和后轮距确定后轮运动半径；
根据道路半径、前轮距、后轮距和车路中心夹角确定前轮运动半径；
根据后轮运动半径和前轮运动半径确定内轮差区域。
进一步地，根据目标的运动数据和车路数据确定预设碰撞时间，包括：
根据相对运动速度、相对方向角、运动方向角和道路半径确定预设碰撞时间。
进一步地，根据车辆的参数信息、目标的运动数据、目标的类别信息、车路数据和预设碰撞时间确定危险系数，包括：
根据第一预设系数、相对运动速度、车路中心夹角、车辆轴距、前轮距和后轮距确定第一危险系数；
基于预设等级系数和类别信息确定第二危险系数；
根据第二预设系数和预设碰撞时间确定第三危险系数；
根据第一危险系数、第二危险系数和第三危险系数确定危险系数。
进一步地，根据车辆的参数信息、目标的运动数据、目标的类别信息、车路数据和预设碰撞时间确定危险系数之后，还包括：
若车辆的转动杆处于激活状态，根据危险系数生成警示指令；警示指令包括视觉警示指令和/或语音警示指令，警示指令用于警示驾驶员避让目标。
相应地，本申请实施例还提供了一种内轮差区域内目标的危险系数确定装置，该装置包括：
获取模块，用于获取待处理数据集合；待处理数据集合包括车辆的参数信息、目标的位置数据、目标的运动数据、目标的类别信息和车路数据；
第一确定模块，用于根据车辆的参数信息和车路数据确定内轮差区域；
第二确定模块，用于基于目标的位置数据和内轮差区域确定目标与内轮差区域的距离；
第三确定模块，用于若距离小于距离预设阈值，根据目标的运动数据和车路数据确定预设碰撞时间；
第四确定模块，用于根据车辆的参数信息、目标的运动数据、目标的类别信息、车路数据和预设碰撞时间确定危险系数。
进一步地，该装置还包括：
生成模块，用于若车辆的转动杆处于激活状态，根据危险系数生成警示指令；警示指令包括视觉警示指令和/或语音警示指令，警示指令用于警示驾驶员避让目标。
相应地，本申请实施例还提供了一种电子设备，该电子设备包括处理器和存储器，存储器中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述内轮差区域内目标的危险系数确定方法。
相应地，本申请实施例还提供了一种计算机可读存储介质，该存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述内轮差区域内目标的危险系数确定方法。
本申请实施例具有如下有益效果：
本申请实施例所公开的一种内轮差区域内目标的危险系数确定方法、装置、电子设备及存储介质，其中，方法包括获取待处理数据集合，该待处理数据集合包括车辆的参数信息、目标的位置数据、目标的运动数据、目标的类别信息和车路数据，进而根据车辆的参数信息和车路数据确定内轮差区域，并基于目标的位置数据和内轮差区域确定目标与内轮差区域的距离，若距离小于距离预设阈值，根据目标的运动数据和车路数据确定预设碰撞时间，根据车辆的参数信息、目标的运动数据、目标的类别信息、车路数据和预设碰撞时间确定危险系数。基于本申请实施例，利用视觉和毫米波雷达的数据融合技术确定目标，可以降低感知误报漏报率，并且，通过车辆、目标和道路实时数据来确定目的危险系数，可以提高目标确定准确率，此外，根据目标的危险系数进行不同的视觉和语音警示，可以使得警报更加准确。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1是本申请实施例所提供的一种应用环境的示意图；
图2是本申请实施例所提供的一种内轮差区域内目标的危险系数确定方法的流程示意图；
图3是本申请实施例所提供的一种毫米波雷达的工作原理示意图；
图4是本申请实施例所提供的一种全卷积神经网络的计算流程示意图；
图5是本申请实施例所提供的一种将毫米波雷达探测的目标位置数据与摄像头采集的目标像素位置进行转换融合的平面示意图；
图6是本申请实施例所提供的一种在车辆进行90度转弯时确定的内轮差区域的平面示意图；
图7是本申请实施例所提供的一种在车辆进180度转弯时确定的内轮差区域的平面示意图；
图8是本申请实施例所提供的一种内轮差区域内目标的危险系数确定装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例作进一步地详细描述。显然，所描述的实施例仅仅是本申请一个实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
此处所称的“实施例”是指可包含于本申请至少一个实现方式中的特定特征、结构或特性。在本申请实施例的描述中，需要理解的是，术语“第一”、“第二”、“第三”和“第四”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”和“第四”的特征可以明示或者隐含的包括一个或者更多个该特征。而且，术语“第一”、“第二”、“第三”和“第四”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请实施例能够以除了在这里图示或描述以外的顺序实施。此外，术语“包括”以及其的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、装置、产品或设备固有的其它步骤或模块。
请参阅图1，其所示为本申请实施例所提供的一种应用环境的示意图，包括服务器101，该服务器含有内轮差区域内目标的危险系数确定装置，其中，服务器101获取待处理数据集合，该待处理数据集合包括车辆的参数信息、目标的位置数据、目标的运动数据、目标的类别信息和车路数据，进而根据车辆的参数信息和车路数据确定内轮差区域，并基于目标的位置数据和内轮差区域确定目标与内轮差区域的距离，若距离小于距离预设阈值，根据目标的运动数据和车路数据确定预设碰撞时间，那么根据车辆的参数信息、目标的运动数据、目标的类别信息、车路数据和预设碰撞时间确定危险系数。
一种可选的实施方式中，服务器101可以是一个大型的公共服务器平台或者服务器集群，该服务器平台或者服务器集群可以为所有的行驶车辆提供警示车辆运行服务。该种实施方式中，车辆可以通过安装在车辆的毫米波雷达和摄像头获取待处理数据集合，并基于目标的位置数据和内轮差区域确定目标与内轮差区域的距离，若距离小于距离预设阈值，根据目标的运动数据和车路数据确定预设碰撞时间，那么根据车辆的参数信息、目标的运动数据、目标的类别信息、车路数据和预设碰撞时间确定危险系数。该种实施方式中，可以在车辆上仅仅设置基础配置的服务器，复杂的运算可以通过公共的服务器平台或者服务器集群承担，如此，可以在降低车辆制造成本，使得车辆在视场中更具竞争力。
另一种可选的实施方式中，服务器101可以是设置在车辆中的车载服务器，每一个车在服务器可以单独为所在的车辆提供警示车辆运行服务。具体地，车辆可以通过安装在车辆的毫米波雷达和摄像头获取待处理数据集合，并基于目标的位置数据和内轮差区域确定目标与内轮差区域的距离，若距离小于距离预设阈值，根据目标的运动数据和车路数据确定预设碰撞时间，那么根据车辆的参数信息、目标的运动数据、目标的类别信息、车路数据和预设碰撞时间确定危险系数。该种方式中，由于复杂的计算是由车辆上的车载服务器承担的，因此，车辆需要配置复合条件的软硬件设备。虽然，车价相对于第一种情况来说有所增加，但是由于不需要和公共的服务器平台进行交互，可以减少交互时间，使得车辆能够更快地得到结果，且服务器与车辆一对一，可以避免传输出错的可能性，能够提升服务质量。
下面介绍本申请一种内轮差区域内目标的危险系数确定方法的具体实施例，图2是本申请实施例提供的一种内轮差区域内目标的危险系数确定方法的流程示意图，本说明书提供了如实施例或流程图所示的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多执行顺序中的一种方式，不代表唯一的执行顺序，在实际执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图2所示，该方法包括：
S201：获取待处理数据集合；待处理数据集合包括车辆的参数信息、目标的位置数据、目标的运动数据、目标的类别信息和车路数据。
众所周知，毫米波雷达是工作在毫米波波段探测的雷达，通常毫米波是指波长介于厘米波和光波之间，波长为1～10mm的电磁波。毫米波雷达由于其尺寸小便于安装、价格低适合普及，探测性能稳定、适应性强，且不受天气条件影响，适用于车辆安全领域的探测。本申请实施例中，如图3所示为毫米波雷达的工作原理示意图，图中，毫米波雷达安装于车辆上，连续发射调频信号，该信号在遇到障碍物即目标时返回一个与之有一定延时的回波，雷达接收该回波并对其进行混频处理，得到混频数据，根据混频数据可以计算出障碍物相对于车辆的相对速度和相对距离。在一种具体的计算障碍物相对于车辆的相对速度和相对距离的实施方式中，假设，发射信息为正负两种调频斜率信号，f0为发射信号中心频率，fm为扫频频率，T＝1/fm为扫频周期，B为频宽，C为光速，v为相对速度，D为相对距离，那么，中频信号的频率理论值为：
Figure BDA0002758621900000071
但是，由于受到车辆和障碍物自身速度影响，回波频率将会产生一定偏移，该偏移包括正偏移和负偏移，
其中，正偏移为：
Figure BDA0002758621900000072
负偏移为：
Figure BDA0002758621900000073
由于中频信号的频率均为正值，那么，
Figure BDA0002758621900000074
Figure BDA0002758621900000075
如此，可以计算障碍物即目标相对于车辆的相对速度为：
Figure BDA0002758621900000076
障碍物即目标相对于车辆的相对距离为：
Figure BDA0002758621900000077
本申请实施例中，通过摄像头获取障碍物即目标的图像，并利用全卷积神经网络技术对摄像头采集的图像进行语义分割，与卷积神经网络适用固定长度的特征对图像中的对象进行分类的方式不同，全卷积神经网络可以输入大小不受限制的图像，更加灵活，最后通过反卷积可以得到与输入相同尺寸的采样，如图4所示为全卷积神经网络的计算流程示意图。利用全卷积神经网络可以识别障碍物即目标的类别信息，例如，行人、自行车、电动车、摩托车、三轮车、小型轿车、路沿和杂物等多个类别的目标。
本申请实施例中，利用毫米波雷达探测目标，还可以获取目标的位置数据，这里，毫米波雷达获取的目标的位置数据是基于毫米波自身安装位置的世界坐标系，而摄像头所采集的图像是基于像素坐标的而非世界坐标系的，因而需要对两者进行坐标系的转换融合。在一种可选的实施方式中，可以在世界坐标系上任意选择不在同一条直线上的四个点p(x，y)，然后确定四个点在图像中的像素坐标P(X，Y)。假设预设转换矩阵为M，那么，
P＝M*p
也即是，
Figure BDA0002758621900000081
其中，为与点p(x，y)对应的点P(X，Y)的像素坐标，如此，利用四组点可以求得预设转换矩阵M，之后，将毫米波雷达探测到的目标的位置数据带入公式P＝M*p，即可得到目标在图像中像素坐标数据，如图5示例了一种将毫米波雷达探测的目标位置数据与摄像头采集的目标像素位置进行转换融合的平面示意图。
基于上述转换融合，服务器可以获取待处理数据集合，该待处理数据集合包括车辆的参数信息、目标的位置数据、目标的运动数据、目标的类别信息和车路数据。其中，车辆的参数信息可以是服务器与后台服务器建立通信连接，基于车辆型号确定的车辆轴距、前轮距和后轮距，目标的运动数据可以是车辆上其他感知器件感知到的目标相对于车辆的相对方向角、目标的运动方向角、道路半径和车路中心夹角，目标的运动数据也可以是服务器基于连续时间段内毫米波雷达确定的目标的位置数据计算得到的目标相对于车辆的相对方向角和目标的运动方向角。需要进行说明的是，这里，道路半径是指车辆驶入待转弯道路口时，由于道路存在一定弧度而确定的道路半径。
S203：根据车辆的参数信息和车路数据确定内轮差区域。
本申请实施例中，服务器可以根据车辆的参数信息和车路数据确定内轮差区域，在一种具体的根据车辆的参数信息和车路数据确定内轮差区域的实施方式中，服务器根据道路半径、车辆轴距和后轮距确定后轮运动半径，并且根据道路半径、前轮距、后轮距和车路中心夹角确定前轮运动半径，进而根据后轮运动半径和前轮运动半径确定内轮差区域。如图6示例了在车辆进行90度转弯时确定的内轮差区域的平面示意图，图7示例了在车辆进行180度转弯时确定的内轮差区域的平面示意图。图中，细实线为车辆前轮的行驶边界线，粗实线为车辆后轮的行驶边界线。
假设，道路半径为R、车辆轴距为L、前轮距为d1、后轮距为d1、根车路中心夹角为α，后轮运动半径为a，前轮运动半径为b，那么，
Figure BDA0002758621900000091
Figure BDA0002758621900000092
Figure BDA0002758621900000093
m＝b-a
S205：基于目标的位置数据和内轮差区域确定目标与内轮差区域的距离。
本申请实施例中，服务器可以基于确定的目标的位置数据和内轮差区域确定目标与内轮差区域的距离，在实际应用过程中，可以只确定目标与车辆转弯方向内侧的车轮边界的距离。
S207：若距离小于距离预设阈值，根据目标的运动数据和车路数据确定预设碰撞时间。
本申请实施例中，若内轮差出现速度快，消失速度慢，范围大，即车辆车速快，转弯角度大，驾驶员是难以同时兼顾车辆前方和转向内侧的障碍物的，尤其是大型车辆，因而，在确定目标与内轮差区域的距离小于预设阈值时，需要根据目标的相对运动速度、相对方向角、运动方向角进而道路半径确定预设碰撞时间，该预设碰撞时间越短，目标的危险系数越高。
S209：根据车辆的参数信息、目标的运动数据、目标的类别信息、车路数据和预设碰撞时间确定危险系数。
本申请实施例中，由于目标的类别信息不同，目标在内轮差区域内的危险程度也是不同的，比如，内轮差区域内的行人相对于路沿会更加危险，容易受车辆快速行驶的而引起的风的影响而卷入车底，因而，可以基于目标的类别信息确定预设等级系数，在一种可选的实施方式中，预设等级系数可以为如下所示的表达方式：
Figure BDA0002758621900000101
其中，
Figure BDA0002758621900000102
其中，感知融合结果匹配包括目标的种类匹配和位置匹配，在位置距离一定阈值以内且种类相同时可以认为是用一目标，匹配成功；当毫米波雷达和摄像头之间存在一个出现漏检或者误检的情况下，不能直接认为目标不存在，当种类匹配和位置匹配中存在任意一个不匹配时，我们采用单独感知的结果，仍给予感知融合结果匹配较高的信任度，因而，在感知融合结果匹配时信任度为1，在感知融合结果不匹配时信任度为0.7。
本申请实施例中，服务器可以根据第一预设系数、相对运动速度、车路中心夹角、车辆轴距、前轮距和后轮距确定第一危险系数，基于预设等级系数和类别信息确定第二危险系数，以及根据第二预设系数和预设碰撞时间确定第三危险系数，进而根据第一危险系数、第二危险系数和第三危险系数确定危险系数。
在一种可选的实施方式中，危险系数可以为如下所示的表达方式：
Figure BDA0002758621900000111
其中，
Figure BDA0002758621900000112
F表示危险系数，v表示车辆相对速度，L表示车辆轴距，d1表示前轮距，d2表示后轮距，F1表示第二危险系数，F2表示第三危险系数,
Figure BDA0002758621900000113
表示预设碰撞时间。
本申请实施例中，在服务器确定危险系数之后，还可以激活内轮差危险预警***基于确定的危险系数对驾驶员进行警示，为了避免对驾驶员产生干扰，如在直行和停车等待红绿灯等情境中，当车辆侧面存在目标距离车辆较近时，不应该产生过多警报以使驾驶员分心，因此，只有当车辆的转动杆处于激活状态时，服务器才激活内轮差危险预警***根据危险系数生成警示指令，该令包括视觉警示指令和/或语音警示指令，警示指令用于警示驾驶员避让目标。
在一种可选的实施方式中，当确定车辆的转动杆处于激活状态，且确定车辆内轮差区域内存在目标时，根据目标与车辆的相对位置关系，将其对应图标显示在车辆的中控面板或者抬头数字显示仪(Head Up Display，HUD)中，目标危险系数的不同预警的形式也不同，例如，对于由低到高的危险系数，可以使用冷色图标至暖色图标进行对应显示，或者使用图标闪动速度从慢至快进行对应显示，再或者使用蜂鸣声频率由低到高进行对应警示，当危险系数达到最大预设阈值，即目标相对于车辆十分靠近，十分危险时，可以采用红色图标持续显示进行警示，同时采用蜂鸣声持续响进行警示。
采用本申请实施例所提供的内轮差区域内目标的危险系数确定方法，基于本申请实施例，利用视觉和毫米波雷达的数据融合技术确定目标，可以降低感知误报漏报率，并且，通过车辆、目标和道路实时数据来确定目的危险系数，可以提高目标确定准确率，此外，根据目标的危险系数进行不同的视觉和语音警示，可以使得警报更加准确。
本申请实施例还提供的一种内轮差区域内目标的危险系数确定装置，图8是本申请实施例提供的一种内轮差区域内目标的危险系数确定装置的结构示意图，如图8所示，该装置包括：
获取模块7801用于获取待处理数据集合；待处理数据集合包括车辆的参数信息、目标的位置数据、目标的运动数据、目标的类别信息和车路数据；
第一确定模块803用于根据车辆的参数信息和车路数据确定内轮差区域；
第二确定模块805用于基于目标的位置数据和内轮差区域确定目标与内轮差区域的距离；
第三确定模块807用于若距离小于距离预设阈值，根据目标的运动数据和车路数据确定预设碰撞时间；
第四确定模块809用于根据车辆的参数信息、目标的运动数据、目标的类别信息、车路数据和预设碰撞时间确定危险系数。
本申请实施例中，该装置还包括：
生成模块，用于若车辆的转动杆处于激活状态，根据危险系数生成警示指令；警示指令包括视觉警示指令和/或语音警示指令，警示指令用于警示驾驶员避让目标。
本申请实施例中的装置与方法实施例基于同样的申请构思。
本申请实施例还提供的一种电子设备，电子设备可设置于服务器之中以保存用于实现方法实施例中的一种内轮差区域内目标的危险系数确定方法相关的至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、该至少一段程序、该代码集或指令集由该存储器加载并执行以实现上述的内轮差区域内目标的危险系数确定方法。
本申请实施例还提供的一种存储介质，存储介质可设置于服务器之中以保存用于实现方法实施例中一种内轮差区域内目标的危险系数确定方法相关的至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现上述内轮差区域内目标的危险系数确定方法。
可选的，在本实施例中，上述存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地，在本实施例中，上述存储介质可以包括但不限于包括：U盘、只读存储器(ROM，Read-only Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
由上述本申请提供的内轮差区域内目标的危险系数确定方法、装置、电子设备或存储介质的实施例可见，本申请中方法包括获取待处理数据集合，该待处理数据集合包括车辆的参数信息、目标的位置数据、目标的运动数据、目标的类别信息和车路数据，进而根据车辆的参数信息和车路数据确定内轮差区域，并基于目标的位置数据和内轮差区域确定目标与内轮差区域的距离，若距离小于距离预设阈值，根据目标的运动数据和车路数据确定预设碰撞时间，根据车辆的参数信息、目标的运动数据、目标的类别信息、车路数据和预设碰撞时间确定危险系数。基于本申请实施例，利用视觉和毫米波雷达的数据融合技术确定目标，可以降低感知误报漏报率，并且，通过车辆、目标和道路实时数据来确定目的危险系数，可以提高目标确定准确率，此外，根据目标的危险系数进行不同的视觉和语音警示，可以使得警报更加准确。
需要说明的是：上述本申请实施例的先后顺序仅仅为了描述，不代表实施例的优劣，且上述本说明书对特定的实施例进行了描述，其他实施例也在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或者步骤可以按照不同的实施例中的顺序来执行并且能够实现预期的结果。另外，在附图中描绘的过程不一定要求示出特定顺序或者而连接顺序才能够实现期望的结果，在某些实施方式中，多任务并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的均为与其他实施例的不同之处。尤其，对于装置的实施例而言，由于其基于相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种内轮差区域内目标的危险系数确定方法，其特征在于，包括：
获取待处理数据集合；所述待处理数据集合包括车辆的参数信息、目标的位置数据、目标的运动数据、目标的类别信息和车路数据；
根据所述车辆的参数信息和所述车路数据确定内轮差区域；
基于所述目标的位置数据和所述内轮差区域确定所述目标与所述内轮差区域的距离；
若所述距离小于距离预设阈值，根据所述目标的运动数据和所述车路数据确定预设碰撞时间；
根据所述车辆的参数信息、所述目标的运动数据、所述目标的类别信息、所述车路数据和所述预设碰撞时间确定危险系数。
2.根据权利要求1所述的方法，其特征在于，所述车辆的参数信息包括车辆轴距、前轮距和后轮距；
所述目标的运动数据包括所述目标相对于所述车辆的相对方向角、所述目标的运动方向角和所述目标的相对运动速度；
所述车路数据集合包括道路半径和车路中心夹角。
3.根据权利要求2所述的方法，其特征在于，所述根据所述车辆的参数信息和所述车路数据确定内轮差区域，包括：
根据所述道路半径、所述车辆轴距和所述后轮距确定后轮运动半径；
根据所述道路半径、所述前轮距、所述后轮距和所述车路中心夹角确定前轮运动半径；
根据所述后轮运动半径和所述前轮运动半径确定内轮差区域。
4.根据权利要求2所述的方法，其特征在于，所述根据所述目标的运动数据和所述车路数据确定预设碰撞时间，包括：
根据所述相对运动速度、所述相对方向角、所述运动方向角和所述道路半径确定预设碰撞时间。
5.根据权利要求4所述的方法，其特征在于，所述根据所述车辆的参数信息、所述目标的运动数据、所述目标的类别信息、所述车路数据和所述预设碰撞时间确定危险系数，包括：
根据第一预设系数、所述相对运动速度、所述车路中心夹角、所述车辆轴距、所述前轮距和所述后轮距确定第一危险系数；
基于预设等级系数和所述类别信息确定第二危险系数；
根据第二预设系数和所述预设碰撞时间确定第三危险系数；
根据所述第一危险系数、所述第二危险系数和所述第三危险系数确定危险系数。
6.根据权利要求1所述的方法，其特征在于，所述根据所述车辆的参数信息、所述目标的运动数据、所述目标的类别信息、所述车路数据和所述预设碰撞时间确定危险系数之后，还包括：
若所述车辆的转动杆处于激活状态，根据所述危险系数生成警示指令；所述警示指令包括视觉警示指令和/或语音警示指令，所述警示指令用于警示驾驶员避让所述目标。
7.一种内轮差区域内目标的危险系数确定装置，其特征在于，包括：
获取模块，用于获取待处理数据集合；所述待处理数据集合包括车辆的参数信息、目标的位置数据、目标的运动数据、目标的类别信息和车路数据；
第一确定模块，用于根据所述车辆的参数信息和所述车路数据确定内轮差区域；
第二确定模块，用于基于所述目标的位置数据和所述内轮差区域确定所述目标与所述内轮差区域的距离；
第三确定模块，用于若所述距离小于距离预设阈值，根据所述目标的运动数据和所述车路数据确定预设碰撞时间；
第四确定模块，用于根据所述车辆的参数信息、所述目标的运动数据、所述目标的类别信息、所述车路数据和所述预设碰撞时间确定危险系数。
8.根据权利要求1所述的装置，其特征在于，还包括：
生成模块，用于若所述车辆的转动杆处于激活状态，根据所述危险系数生成警示指令；所述警示指令包括视觉警示指令和/或语音警示指令，所述警示指令用于警示驾驶员避让所述目标。
9.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现权利要求1-6任意一项所述内轮差区域内目标的危险系数确定方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1-6任意一项所述内轮差区域内目标的危险系数确定方法。
CN202011213164.4A 2020-11-03 2020-11-03 内轮差区域内目标的危险系数确定方法、装置、电子设备及存储介质 Pending CN112485784A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011213164.4A CN112485784A (zh) 2020-11-03 2020-11-03 内轮差区域内目标的危险系数确定方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011213164.4A CN112485784A (zh) 2020-11-03 2020-11-03 内轮差区域内目标的危险系数确定方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN112485784A true CN112485784A (zh) 2021-03-12

Family

ID=74928045

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011213164.4A Pending CN112485784A (zh) 2020-11-03 2020-11-03 内轮差区域内目标的危险系数确定方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112485784A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113362607A (zh) * 2021-08-10 2021-09-07 天津所托瑞安汽车科技有限公司 基于转向状态的盲区预警方法、装置、设备和介质
CN113415236A (zh) * 2021-07-14 2021-09-21 南通理工学院 重型车盲区监测及预警***
CN113997862A (zh) * 2021-11-19 2022-02-01 中国重汽集团济南动力有限公司 一种基于冗余传感器的工程车盲区监测预警***及方法
CN114801993A (zh) * 2022-06-28 2022-07-29 鹰驾科技（深圳）有限公司 一种汽车盲区监控***

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106846915A (zh) * 2017-04-11 2017-06-13 湛引根 智能交通防撞***及实现方法
US20180345960A1 (en) * 2017-06-06 2018-12-06 Toyota Jidosha Kabushiki Kaisha Lane change assist device
CN110264783A (zh) * 2019-06-19 2019-09-20 中设设计集团股份有限公司 基于车路协同的车辆防碰撞预警***及方法
CN110509847A (zh) * 2019-08-30 2019-11-29 重庆工程职业技术学院 车辆转弯盲区预警方法及***
CN110588648A (zh) * 2019-10-25 2019-12-20 北京行易道科技有限公司 车辆行驶中碰撞危险识别方法、装置、车辆及存储介质
WO2020003932A1 (ja) * 2018-06-29 2020-01-02 日立オートモティブシステムズ株式会社 運転支援装置
CN111497832A (zh) * 2020-04-28 2020-08-07 深圳市国脉畅行科技股份有限公司 车辆内轮差风险监测方法、装置、计算机设备及存储介质
CN111497799A (zh) * 2020-03-30 2020-08-07 浙江吉利汽车研究院有限公司 一种车辆制动方法、装置、车辆及存储介质
CN111791885A (zh) * 2019-04-09 2020-10-20 现代自动车株式会社 用于预测碰撞的车辆和方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106846915A (zh) * 2017-04-11 2017-06-13 湛引根 智能交通防撞***及实现方法
US20180345960A1 (en) * 2017-06-06 2018-12-06 Toyota Jidosha Kabushiki Kaisha Lane change assist device
WO2020003932A1 (ja) * 2018-06-29 2020-01-02 日立オートモティブシステムズ株式会社 運転支援装置
CN111791885A (zh) * 2019-04-09 2020-10-20 现代自动车株式会社 用于预测碰撞的车辆和方法
CN110264783A (zh) * 2019-06-19 2019-09-20 中设设计集团股份有限公司 基于车路协同的车辆防碰撞预警***及方法
CN110509847A (zh) * 2019-08-30 2019-11-29 重庆工程职业技术学院 车辆转弯盲区预警方法及***
CN110588648A (zh) * 2019-10-25 2019-12-20 北京行易道科技有限公司 车辆行驶中碰撞危险识别方法、装置、车辆及存储介质
CN111497799A (zh) * 2020-03-30 2020-08-07 浙江吉利汽车研究院有限公司 一种车辆制动方法、装置、车辆及存储介质
CN111497832A (zh) * 2020-04-28 2020-08-07 深圳市国脉畅行科技股份有限公司 车辆内轮差风险监测方法、装置、计算机设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ROSOLIA 等: ""Autonomous Vehicle Control: A Nonconvex Approach for Obstacle Avoidance"", 《IEEE TRANSACTIONS ON CONTROL SYSTEMS TECHNOLOGY》, vol. 25, no. 2, 31 December 2017 (2017-12-31), pages 469 - 484 *
吴迪: ""自动紧急制动***防碰撞控制策略研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 1, 15 January 2019 (2019-01-15), pages 22 - 30 *
戴文瑞 等: ""大型车辆右转内轮差危险区域主动警示***"", 《 物联网技术》, vol. 6, no. 11, 31 December 2016 (2016-12-31), pages 10 - 11 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113415236A (zh) * 2021-07-14 2021-09-21 南通理工学院 重型车盲区监测及预警***
CN113362607A (zh) * 2021-08-10 2021-09-07 天津所托瑞安汽车科技有限公司 基于转向状态的盲区预警方法、装置、设备和介质
CN113362607B (zh) * 2021-08-10 2021-10-29 天津所托瑞安汽车科技有限公司 基于转向状态的盲区预警方法、装置、设备和介质
CN113997862A (zh) * 2021-11-19 2022-02-01 中国重汽集团济南动力有限公司 一种基于冗余传感器的工程车盲区监测预警***及方法
CN113997862B (zh) * 2021-11-19 2024-04-16 中国重汽集团济南动力有限公司 一种基于冗余传感器的工程车盲区监测预警***及方法
CN114801993A (zh) * 2022-06-28 2022-07-29 鹰驾科技（深圳）有限公司 一种汽车盲区监控***
CN114801993B (zh) * 2022-06-28 2022-09-06 鹰驾科技（深圳）有限公司 一种汽车盲区监控***

Similar Documents

Publication Publication Date Title
CN114312844B (zh) 检测和响应警报
CN109927719B (zh) 一种基于障碍物轨迹预测的辅助驾驶方法和***
CN112485784A (zh) 内轮差区域内目标的危险系数确定方法、装置、电子设备及存储介质
JP2800531B2 (ja) 車両用障害物検出装置
US11475678B2 (en) Lane marker detection and lane instance recognition
US7982591B2 (en) System and method for detecting surrounding environment
CN110379178B (zh) 基于毫米波雷达成像的无人驾驶汽车智能泊车方法
US20040051659A1 (en) Vehicular situational awareness system
KR20190100407A (ko) 장래 진로를 결정하기 위한 휠 배향의 사용
CN114442101B (zh) 基于成像毫米波雷达的车辆导航方法、装置、设备及介质
JP6722066B2 (ja) 周辺監視装置及び周辺監視方法
CN111221342A (zh) 一种自动驾驶汽车环境感知***
JP7324057B2 (ja) 車両用物体検出装置
CN210062816U (zh) 车辆内轮差防碰撞预警***
KR20200139443A (ko) 운전자 보조 시스템 및 그 제어 방법
JP3857698B2 (ja) 走行環境認識装置
CN114492679B (zh) 一种车辆数据处理方法、装置、电子设备及介质
WO2022062000A1 (zh) 一种基于透明a柱的辅助驾驶方法
CN114578382A (zh) 一种基于人工智能的汽车周围环境实时检测方法及***
CN109367529B (zh) 毫米波雷达组合安装结构及虚拟隧道构建与障碍判断方法
US11798417B2 (en) Driving assistance device
CN108394416B (zh) 一种车位显示辅助方法及***
CN111402630B (zh) 一种道路预警方法、装置及存储介质
CN111028544A (zh) 一种v2v技术和车载多传感器融合的行人预警***
US11919451B2 (en) Vehicle data display system

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination